MétaCan
Menu
Retour à la cohorte
Enregistrement W4414141643 · doi:10.1088/2632-2153/ae054c

Resolving turbulent magnetohydrodynamics: a hybrid operator-diffusion framework

2025· article· en· W4414141643 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMachine Learning Science and Technology · 2025
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueModel Reduction and Neural Networks
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesOak Ridge National LaboratoryArgonne National LaboratoryUniversity of Illinois at Urbana-ChampaignU.S. Department of EnergyOffice of ScienceNational Science Foundation
Mots-clésTurbulenceMagnetohydrodynamic driveRange (aeronautics)GeneralizationResistive touchscreenDiffusionEnergy (signal processing)Magnetic field

Résumé

récupéré en direct d'OpenAlex

Abstract We present a hybrid machine learning framework that combines physics-informed neural operators (PINOs) with score-based generative diffusion models to simulate the full spatio-temporal evolution of two-dimensional, incompressible, resistive magnetohydrodynamic turbulence across a broad range of Reynolds numbers ( <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:mrow> <mml:mi>Re</mml:mi> </mml:mrow> </mml:mrow> </mml:math> ). The framework leverages the equation-constrained generalization capabilities of PINOs to predict coherent, low-frequency dynamics, while a conditional diffusion model stochastically corrects high-frequency residuals, enabling accurate modeling of fully developed turbulence. Trained on a comprehensive ensemble of high-fidelity simulations with <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:mrow> <mml:mi>Re</mml:mi> </mml:mrow> <mml:mo>∈</mml:mo> <mml:mo fence="false" stretchy="false">{</mml:mo> <mml:mn>100</mml:mn> <mml:mo>,</mml:mo> <mml:mn>250</mml:mn> <mml:mo>,</mml:mo> <mml:mn>500</mml:mn> <mml:mo>,</mml:mo> <mml:mn>750</mml:mn> <mml:mo>,</mml:mo> <mml:mn>1000</mml:mn> <mml:mo>,</mml:mo> <mml:mn>3000</mml:mn> <mml:mo>,</mml:mo> <mml:mn>10</mml:mn> <mml:mstyle scriptlevel="0"/> <mml:mn>000</mml:mn> <mml:mo fence="false" stretchy="false">}</mml:mo> </mml:mrow> </mml:math> , the approach achieves state-of-the-art accuracy in regimes previously inaccessible to deterministic surrogates. At <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:mrow> <mml:mi>Re</mml:mi> </mml:mrow> <mml:mo>=</mml:mo> <mml:mn>1000</mml:mn> </mml:mrow> </mml:math> and 3000, the model faithfully reconstructs the full spectral energy distributions of both velocity and magnetic fields late into the simulation, capturing non-Gaussian statistics, intermittent structures, and cross-field correlations with high fidelity. At extreme turbulence levels ( <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:mrow> <mml:mi>Re</mml:mi> </mml:mrow> <mml:mo>=</mml:mo> <mml:mn>10</mml:mn> <mml:mstyle scriptlevel="0"/> <mml:mn>000</mml:mn> </mml:mrow> </mml:math> ), it remains the first surrogate capable of recovering the high-wavenumber evolution of the magnetic field, preserving large-scale morphology and enabling statistically meaningful predictions.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,907
Score d'incertitude au seuil0,523

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,242
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle